人工智能即将在实验室中扮演更加积极的角色：今天在《自然》杂志上描述的两个新系统使用AI代理团队来生成假设、提出实验方案并分析数据。
尽管每个系统在各个阶段仍然需要人类输入，但它们所展示的时间线可能比单纯依靠人类思维和手工操作要短得多。当这些系统被要求识别可用于不同病症的现有药物时，它们在几小时内就能得出合理的答案。
"这几乎就像是科学家头脑中思维过程的一种代理式、计算机模拟实现，"帮助开发其中一个系统的加利福尼亚州山景城Google DeepMind研究员Vivek Natarajan表示。"我们的目标是赋予科学家超能力。"
计算机模拟科学家
在一个实验中，Natarajan和他的同事使用Google的"协作科学家"（Co-Scientist）来寻找可用于治疗一种名为急性髓系白血病的血癌的已批准药物。该系统识别出一列候选药物，人类研究人员从中选出五种进行进一步研究。其中三种在实验室培养的细胞的初步研究中显示出前景。
位于加利福尼亚州旧金山的非营利AI研究实验室FutureHouse开发了第二个系统，名为Robin，并指示它寻找用于治疗干性年龄相关性黄斑变性的药物。
Robin首先咨询经过训练可进行文献综述的AI代理，并利用它们的报告选择实验室实验来测试各种候选药物。人类研究人员进行这些实验，并将数据反馈给Robin，然后Robin将数据提供给专门分析数据的AI代理。
通过此程序，Robin为治疗干性年龄相关性黄斑变性提出了一系列分子靶点，并确定了一种名为ripasudil的药物（目前用于治疗青光眼这种眼部疾病）作为候选治疗药物。该系统建议进行实验以确认ripasudil在实验室中的活性，然后提出了后续实验方案。
AI科学家识别出的药物尚未完全评估，许多在实验室培养细胞中通过初步测试的候选药物在更严格的测试中会失败。但这些例子表明这些AI系统能够提出合理的假设，负责加州大学圣地亚哥分校健康部门AI计划和战略的Karandeep Singh表示。
他补充说，AI助手在其他情境下的日常科学研究中表现如何仍有待观察。"除非它被广泛提供给大量人群，否则你无法知道它在现实中的运作情况，"他表示。
假设机器
【全文结束】
